一致性Hash算法在數據庫分表中的實踐

最近有一個項目，其中某個功能單表數據在可預估的將來達到了億級，初步估算在90億左右。與同事詳細討論後，決定採用一致性Hash算法來完成數據庫的自動擴容和數據遷移。整個程序細節由我同事完成，我只是將其理解併成文，供有相同問題的同行參考。

參看此文的兄弟，默認各位已經熟悉一致性hash算法了。此文僅僅闡述代碼細節，實現語言爲Java。

項目背景

1. 項目是一個實驗室項目
2. 其中有一個表叫作試驗表，用於存儲車型的試驗數據，每一個試驗大概有6000條數據
3. 總計初期約有2萬個車型，每一個車型初期包含超過50個試驗。後期還會動態增加
4. 試驗表中的數據僅須要根據車型試驗ID能取出來便可，沒有其餘更復雜的業務邏輯

方案決策

項目正式上線初期，數據量不會直接爆發式增加到90億，須要時間上的積累（逐步作實驗），最終可能達到90億數據，甚至超過90億數據。

按照咱們實際瞭解狀況，oracle存儲數據量達到1千萬的時候，性能擅可。而Oracle官方的說法，如單表存儲1g有分區（大體500萬數據），查詢效率很是高。而試驗表中僅四個字段，每條數據數據量較小。因此咱們最終決定以1000萬爲節點，水平拆表。當表數據達到1千萬時，即增長下一波表。進行數據自動遷移。

按照90億的總量，1000萬數據一個表的劃分，最終大體會產生900個左右的表。因此咱們最終使用了4個數據庫。1個存儲其餘業務模塊的表，3個存儲此大數據表。每一個數據庫大體有300張表。性能上和數量上均可達到咱們的要求。

相關表結構

試驗信息表（EXPERIMENT_MESSAGE），掛接車型和試驗的關係。試驗數據表（EXPERIMENT_DATA），存儲試驗數據

試驗信息表：

字段	含義
ID	主鍵，採用UUID生成
EXPERIMENT_ID	試驗表中的ID
CAR_ID	車型表中的ID
...	其他數十個字段省略

試驗數據表：

字段	含義
ID	主鍵，採用UUID生成
EXPERIMENT_MESSAGE_ID	對應的實驗信息id
X_VALUE	試驗數據X值
Y_VALUE	試驗數據Y值

咱們採用做一致性hash的key，就是試驗數據表中的EXPERIMENT_MESSAGE_ID字段。也就是說，每一個試驗數據表，不存則以，存則一次性大體有6000條數據。取同理。

一致性Hash算法實現

一致性Hash算法的hash部分，採用了著名的ketama算法。在此，咱們很少討論ketama算法的細節，若各位有興趣，請查閱ketama算法

public long hash(String key) {
        if (md5 == null) {
            try {
                md5 = MessageDigest.getInstance("MD5");
            } catch (NoSuchAlgorithmException e) {
                throw new IllegalStateException("no md5 algorythm found");
            }
        }

        md5.reset();
        md5.update(key.getBytes());
        byte[] bKey = md5.digest();

        long res = ((long) (bKey[3] & 0xFF) << 24) | 
                         ((long) (bKey[2] & 0xFF) << 16) | 
                         ((long) (bKey[1] & 0xFF) << 8) | 
                         (long) (bKey[0] & 0xFF);
        return res & 0xffffffffL;
    }

有了Hash的算法，接下來就要構造Hash環了。Hash環採用的SortedMap數據結構實現。

private final SortedMap<Long, T> circle = new TreeMap<Long, T>();

其中添加節點和移除節點部分，須要根據hash算法獲得節點在環上的位置，具體代碼以下：

/**
     * 添加虛擬節點
     * numberOfReplicas爲虛擬節點的數量，初始化hash環的時候傳入，咱們使用300個虛擬節點
     * @param node
     */
    public void add(T node) {
        for (int i = 0; i < numberOfReplicas; i++) {
            circle.put(hashFunction.hash(node.toString() + i), node);
        }
    }

    /**
     * 移除節點
     * @param node
     */
    public void remove(T node) {
        for (int i = 0; i < numberOfReplicas; i++) {
            circle.remove(hashFunction.hash(node.toString() + i));
        }
    }

而hash環中獲得節點部分比較特殊，根據一致性hash算法的介紹，獲得hash環中的節點，其實是計算出的hash值順時針找到的第一個節點。

/**
     * 得到一個最近的順時針節點
     * @param key 爲給定鍵取Hash，取得順時針方向上最近的一個虛擬節點對應的實際節點
     * @return
     */
    public T get(Object key) {
        if (circle.isEmpty()) {
            return null;
        }
        long hash = hashFunction.hash((String) key);
        if (!circle.containsKey(hash)) {
            //返回此映射的部分視圖，其鍵大於等於 hash
            SortedMap<Long, T> tailMap = circle.tailMap(hash); 
            hash = tailMap.isEmpty() ? circle.firstKey() : tailMap.firstKey();
        }
        return circle.get(hash);
    }

單表拆分實踐

上面完成了一致性hash算法的實現，包含了hash算法和hash環的實現。接下來就要處理具體業務中，如何使用這個hash環和算法了。

咱們業務中，主要操做這張表的數據，也就是增刪查。而後咱們數據庫拆分紅了3個，因此須要增刪查的操做基本一致，都是先經過一致性hash獲得庫，再經過一致性hash獲得表。

獲取數據庫名的操做以下，獲取到數據庫後，根據數據庫名到對應的鏈接池中獲取鏈接。

/**
     * 根據試驗信息id獲取其所在庫名
     * DatabaseType爲咱們數據的枚舉
     * @return 數據庫的名稱
     **/
    private String getDataBase(String experimentMessageId) {
        //獲取數據源
        DatabaseType[] databasetype = DatabaseType.values();
        List<String> dataBaselist = new ArrayList<>();
        Map<String, DatabaseType> map = new HashMap<>();

        for (DatabaseType d:databasetype) {
            if (!d.equals(DatabaseType.KC)) {
                dataBaselist.add(d.toString());
                map.put(d.toString(), d);
            }
        }
        //獲取數據源hash
        ConsistentHash<String> dataBaseCon = getConsistentHash(dataBaselist);

        //獲取id所在數據源
        String dataBase = dataBaseCon.get(experimentMessageId);
        return dataBase;
    }

獲取表名的操做以下，獲取到數據庫後，在對應的數據庫中找到須要的表，再從該表中查詢數據。

/**
     * 根據試驗信息id獲取其試驗數據所在表
     * @return
     **/
    public String getTableName(String experimentMessageId) {
        String dataBase = getDataBase(experimentMessageId);
        //查詢全部試驗數據表
        List<String> tables = experimentDataEODao.queryTbaleNames(dataBase, tableName);
        ConsistentHash<String> consistentHash = getConsistentHash(tables);
        String tableName = consistentHash.get(experimentMessageId);
        return tableName;
    }

剩下的增刪改操做和日常一致，在此很少贅述。

數據遷移實踐

一致性hash勢必涉及到數據遷移問題，咱們採起的數據遷移方式爲定時任務，針對每一個數據庫在天天夜裏全量掃描一次。檢查是否有數據量超過1000萬的表，若存在這樣的表，就把現有的表數量double。
數據遷移只會在同庫之間遷移，不會涉及跨數據庫的狀況。
此方案爲初步方案，後續會改進的更加智能，根據表的數量，增長不一樣數量的表。而不是簡單的把表數量翻倍。
表建立後，將須要遷移的表數據逐個遷移。

在鏈接到數據源後，咱們作了以下事情進行數據遷移
1.獲取庫中全部的表

List<String> tables = getTables(connection, p, d.toString());

2.遍歷表，檢查表中數據是否超過邊界線（咱們爲1000萬）

for (int i = 0; i < tables.size(); i++) {
    //查詢表內數據量
    int num = countByTableName(connection, p, tables.get(i));
    //finalNum爲邊界值，此處爲1000萬
    if (num > finalNum) {
        ……
    }
    ……
}

3.根據全部的表計算現有的虛擬節點

ConsistentHash<String> consistentHashOld = getConsistentHash(tables);

4.把表加倍

List<String> tablesNew = deepCopy(tables); //注意必定要採用深複製
int tableSize = tablesNew.size();
for (int y = 0; y < tableSize; y++) {
    String tableNameNew = tableName + (tablesNew.size() + 1);
    //建立表
    createTable(connection, p, d.toString(), tableNameNew);
    tablesNew.add(tableNameNew);
    tableDelete.add(tableNameNew);
}

5.計算加倍後的虛擬節點

ConsistentHash<String> consistentHashNew = getConsistentHash(tablesNew);

6.數據遷移

for (int z = 0; z < tableSize; z++) {
    String tableNameOld = tablesNew.get(z);
    //查詢試驗信息id不重複的試驗數據信息
    List<String> disData = selectExperimentIdDis(connection, p, tableNameOld);
    List<String> deleteList = new LinkedList<>();
    for (String experimentId : disData) {
        //若是數據hash計算 原所在表與新建表以後不一致，執行轉移
        if (!consistentHashNew.get(experimentId).equals(consistentHashOld.get(experimentId))) {

            //新增到新表數據
            insertHash(connection, p, experimentId, consistentHashOld.get(experimentId),
            consistentHashNew.get(experimentId));

            //刪除數據集合
            deleteList.add(experimentId);
            //刪除舊錶數據
            final int defaultDelNum = 1000;
            if (deleteList.size() == defaultDelNum) {
                deleteInbatch(connection, p, deleteList, tableNameOld);
                deleteList.clear();
            }
        }
    }

    //刪除舊錶數據
    if (deleteList.size() > 0) {
        deleteInbatch(connection, p, deleteList, tableNameOld);
    }
}

總結

以上爲咱們所作的一致性hash實踐，其中還存在不少問題，好比遷移過程單線程致使遷移較慢、自動擴容機制不智能、遷移過程當中數據訪問不穩定等狀況。

咱們將會在後續的開發中逐步進行完善改進。

以上就是咱們針對一致性hash在oracle分表中的實踐

參考

一致性哈希算法原理
ketama算法